三种用python进行线性/非线性拟合的方法

散热曲线示例

1. 简单线性回归

使用回归分析绘制拟合曲线是一种常见的方法,简单线性回归就是其中的一种。简单线性回归可以通过最小二乘法来计算回归系数。以下是一个使用简单线性回归来拟合数据的代码示例:

import numpy as np
import matplotlib.pyplot as plt

x = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])
y = np.array([2.5, 4.5, 4.8, 5.5, 6.0, 7.0, 7.8, 8.0, 9.0, 9.5])

# 计算回归系数
slope, intercept = np.polyfit(x, y, 1)

# 绘制拟合曲线
plt.scatter(x, y)
plt.plot(x, slope * x + intercept, color='red')

plt.show()

在该代码中,np.polyfit函数可以用来计算简单线性回归的回归系数。plot函数用来绘制拟合曲线,scatter函数绘制原始数据点。

线性回归

2. 多项式回归

使用多项式回归是一种常用方法,它可以用来拟合更加复杂的数据集。以下是一个使用多项式回归来拟合数据的代码示例:

import numpy as np
import matplotlib.pyplot as plt

x = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])
y = np.array([2.5, 4.5, 4.8, 5.5, 6.0, 7.0, 7.8, 8.0, 9.0, 9.5])

# 计算多项式回归系数
coefs = np.polyfit(x, y, 3)

# 使用np.poly1d函数来生成一个多项式拟合对象
poly = np.poly1d(coefs)

# 生成新的横坐标,使得拟合曲线更加平滑
new_x = np.linspace(min(x), max(x), 1000)

# 绘制拟合曲线
plt.scatter(x, y)
plt.plot(new_x, poly(new_x), color='red')

plt.show()

与简单线性回归不同,多项式回归可以拟合更加复杂的数据集。在该代码中,np.polyfit函数计算多项式回归系数,np.poly1d函数生成一个多项式拟合对象。plot函数用来绘制拟合曲线,scatter函数绘制原始数据点。

多项式回归

3. 非线性回归

使用非线性回归是一种更加复杂的拟合方法,在实际应用中可以用来拟合更加复杂的非线性数据。以下是一个使用非线性回归来拟合数据的代码示例:

import numpy as np
import matplotlib.pyplot as plt
from scipy.optimize import curve_fit

def func(x, a, b, c):
    return a * np.exp(-b * x) + c

# 生成模拟数据
x_data = np.linspace(0, 4, 50)
y_data = func(x_data, 2.5, 1.3, 0.5) + 0.2 * np.random.normal(size=len(x_data))

# 使用curve_fit函数来拟合非线性数据
popt, pcov = curve_fit(func, x_data, y_data)

# 画出原始数据和拟合曲线
plt.scatter(x_data, y_data, label="Data")
plt.plot(x_data, func(x_data, *popt), color='red', label="Fitted curve")
plt.legend()
plt.show()

在该代码中,使用了Scipy库中的curve_fit函数来拟合非线性数据。curve_fit函数中第一个参数是非线性函数,第二个参数是拟合数据的横坐标,第三个参数是拟合数据的纵坐标。

非线性回归

总结

以上是Python中的三种常用拟合曲线方法。简单线性回归可以拟合线性关系的数据,多项式回归可以拟合更加复杂的数据,而非线性回归则可以用来拟合非线性数据。我们可以根据实际需要选择不同的方法来拟合数据。

  • 25
    点赞
  • 225
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 8
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 8
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Freshman小白

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值